احسان یارمحمدی - دانشجوی دکتری منابع آب دانشگاه آزاد اسلامی واحدکرمانشاه وکارشناس ارشد منابع آب شرکت سهامی آب منطقه ای ایلام
زهرا کریمی - دانشجوی دکتری رسوب شناسی دانشگاه آزاد اسلامی واحدتهران شمال و کارشناس شرکت سهامی آب منطقه ای فارس

با توجه به رابطه غیر خطی بین رواناب و بارندگی و سایر پارامترهای هواشناسی، مدل های نوین شبکه های عصبی مصنوعی ANNS با قابلیت تحلیل پدیده های غیر خطی با سرعت پاسخگویی بالا ودرصد خطای پایین بعنوان یک مکانیزم قابل اعتماد می تواند راه گشای طراحی مدل های پیش بینی باشد. در این پژوهش از آمار هیدرومتری و هواشناسی (بارش، دبی وتبخیر) 23 سال آبی در مقیاس زمانی ماهانه بر روی رودخانه گاماسیاب و همچنین از نرم افزار MATLAB ویرایش 7.8 در شاخه Neural Network جهت مدلسازی بهره گرفته شده است. الگوهای متفاوتی از داده ها بعنوان پارامترهای ورودی شبکه های پس انتشار پیشخور FFBP وشعاع مبنا RB مورد بررسی قرار گرفته اند. مقایسه نتایج حاصله بیانگر قابلیت بسیار بالای شبکه شعاع مبنا در تمامی الگوها در پیش بینی جریان است ومدل پس انتشار پیشخور در الگوهایی که از پارامترهای ورودی دبی و بارش ایستگاه های بالادست و تبخیر در نقطه خروجی استفاده گردیده است نتایج قابل قبولی در پی داشته است.

شبکه عصبی، پیش خور، شعاع مبنا، MATLAB